بهبود کارایی تبدیل انرژی در محیطهای شبکه حسگر بی سیم تشخیص دهنده آفت با به کارگیری برنامه نویسی ژنتیک در تجمیع داده ها

محورهای موضوعی : بهینه سازی

محمد احمدی نیا گدنه ¹ , فهیمه اعظم پور ²

1 - گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران
2 - گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران

تاریخ دریافت : 1400/08/13 تاریخ پذیرش : 1400/10/28 تاریخ انتشار : 1401/02/12

کلید واژه: شبکه های حسگر بی سیم, تجمیع داده ها, برنامه نویسی ژنتیک, تشخیص آفات, کارایی تبدیل انرژی,

چکیده مقاله :

شبکه‌های حسگر بی‌سیم (WSN) کاربردهای متعددی در کشاورزی از جمله جهت شناسایی آفات دارند. از طرفی، بهینه‌سازی انرژی یک چالش بزرگ برای شبکه‌های حسگر بی‌سیم می باشد. برای پرداختن به این چالش، در این مقاله، یک رویکرد جدید برای بهبود کارایی تبدیل انرژی در این شبکه ها برای تشخیص آفات در محیط‌های کشاورزی، با استفاده از تجمیع داده‌های مبتنی بر برنامه‌ نویسی ژنتیک پیشنهاد می گردد. رویکرد پیشنهادی در نرم‌افزار متلب پیاده‌سازی شده است و نتایج با کارهای قبلی مقایسه گردیده است تا اثربخشی آن در بهبود راندمان تبدیل انرژی تایید شود. با بهینه‌سازی تبدیل انرژی، رویکرد پیشنهادی می‌تواند دقت و اثربخشی تشخیص آفات را افزایش دهد و در عین حال مصرف انرژی را به حداقل برساند، طول عمر گره‌های حسگر را افزایش دهد و از شیوه‌های کشاورزی پایدار و سازگار با محیط زیست حمایت کند.

چکیده انگلیسی:

Wireless Sensor Networks (WSNs) have numerous applications in agriculture, including pest detection to ensure high crop yields. However, energy optimization is a major challenge for WSNs, particularly with regard to the energy consumption of sensor nodes. To address this challenge, in this paper, is proposed a novel approach for improving energy conversion efficiency in WSNs for pest detection in agriculture environments, using genetic programming-based data aggregation. The proposed approach is implemented in MATLAB software, and the results are compared with previous works to validate its effectiveness in improving energy conversion efficiency. By optimizing energy conversion, the proposed approach can enhance the accuracy and effectiveness of pest detection while minimizing energy consumption, prolonging the lifespan of sensor nodes, and supporting sustainable and eco-friendly agriculture practices.